功-率-谱-估-计程序.pptVIP

m=k时，有： 算法的程序编写流程图参见讲义P79或丁P154 图 3.3.1 利用列文森递推法计算功率谱的流程图 表明： 系统函数所有极点均在单位圆内 讨论： fs=1; N=10000; t=0:1/fs:N; A=20^0.5; B=A; C=1;　 x1=A*sin(2*0.15*pi*t); x2=B*sin(2*0.2*pi*t); noise=C*randn(size(t)); x=x1+x2+noise; %被分析信号 练习：自编程序，请理解、消化 M=15; %阶数 M1=20; %阶数 %求自相关函数 for m=0:M-1, % 对r赋初值 temp=0; for n=1:N-M, temp=x(n)*x(n+m)+temp; end r(m+1)=(1/N)*temp; end a(m+1,m+1)=0; a(1,1)=-r(2)/r(1); xgm(1)=(1-(a(1,1))^2)*r(1); % p=2; while pM p=p+1; temp=0; for i=1:p-2 temp=a(p-2,i)*r(p-i)+temp; end a(p-1,p-1)=-(r(p)+temp)/xgm(p-2); for k=1:p-2 a(p-1,k)=a(p-2,k)+a(p-1,p-1)*a(p-2,p-k-1); end xgm(p-1)=(1-(a(p-1,p-1))^2)*xgm(p-2); end %%%%%%%%%%%%%根据数学模型计算功率谱 q=1; for f=0:0.001:0.5-0.001; w=2*pi*f; t=0; for i=1:p-1 t=t+a(p-1,i)*exp((-1)*j*w*i); end pxx(q)=(1/abs(1+t))^2; q=q+1; end plot(f/(2*pi),pxx,r) f=0.001:0.001:0.5; subplot(2,1,1); axis([0 0.8 -20 120]); plot(f,10*log(pxx)); title(‘自编程序’)；axis([0 0.5 -20 100]) nfft=100; subplot(2,1,2); [pxx1,f1]=pyulear(x,M,nfft,fs);% MATLB自带的求解函数 axis([0 0.4999 -20 120]); plot(f1,10*log(pxx1)); title(用MATLB函数) axis([0 0.5 -20 100])； 性能分析：该方法需要基于有限的观测数据估计自相关序列，当数据长度较短时，估计误差会比较大，AR参数的计算就会引入很大的误差。从而导致功率谱估计出现谱线分裂与谱峰频率偏移等现象。 2、 伯格（Burg）递推法 估计方法：直接由时间序列计算AR模型参数的方法，求前、后向预测误差平均功率最小时的反射系数kp，进而求AR模型参数ak和sw2。 设信号x(n)观测数据区间为：0≤n≤N-1，前向、后向预测误差功率分别用rp,e和rp,b表示，预测误差平均功率用rp为 其中，前向、后向预测误差公式分别为 求预测误差平均功率rp最小时的反射系数kp，令 基于反射系数kp，由Levinson-Durbin递推关系求AR模型参数ak和sw2，进而求得功率谱Pxx 图 3.3.5 伯格递推法流程图 性能分析： 该方法避免了采用有限数据估计自相关函数的计算，适合短序列参数估计，克服了L-D递推中的某些缺点，计算量小。 但对正弦信号的谱估计，仍存在某些谱线分裂与频率偏移现象。 4、 关于AR模型阶次的选择 如果是纯P阶AR信号，应选择模型阶次k ≥ P。 如果选择模型阶次k＜P时，将产生对谱的平滑作用，降低谱的分辨率。如果选择k≥P，且假定观测的数据没有误差（没有干扰），估计的参数应是： 图 3.5.6 AR模型阶次太小时的平滑作用 对于白噪中的AR信号，其阶次的选择应折衷考虑。 如选择AR模型，其阶次应加大，较低的阶次会使谱估计产生偏移， 降低分辨率。 信噪比愈低，平滑作用愈严重，愈需要高的阶次， 因此信噪比低应选高的阶次。 阶次愈高，分辨率愈高；但阶次太高，会使估计误差加大，谱峰分裂。 3.5 AR谱估计的异常现象及补救措施 虚假谱峰 ip时估计的参数≠0，可能产生近单位圆的额外极点 模型阶数N/2 谱线分裂 噪声影响 正弦信号叠加噪声时 P89 噪声使频率分辨率下降，频谱偏移 不再适用低阶AR模型 人有了知识，就会具备各种分析能力， 明辨是